使用ROI和138个3D视觉转换器组合来解释阿尔茨海默病的早期检测
Lyes Saad Saoud1, Hasan AlMarzouqi2
1Department of Mechanical Engineering of Khalifa University, Abu Dhabi, PO Box 127788, UAE.
Scientific reports
|November 12, 2024
概括
这项研究引入了一种新的深度学习方法,使用MRI扫描来准确检测阿尔茨海默病 (AD) 和轻度认知障碍 (MCI). 该方法识别了关键的大脑区域,提高了神经退行性疾病的诊断准确度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 早期发现阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 对于有效的患者管理至关重要.
- 结构磁共振成像 (MRI) 是诊断和预测神经退行性疾病的关键工具.
- 现有的诊断方法可以通过先进的分析技术来改进.
研究的目的:
- 开发和验证一个创新的深度学习框架,用于使用结构性MRI数据预测AD和MCI.
- 整合基于区域利益 (ROI) 的方法与先进的深度学习模型,以提高诊断准确度.
- 提供对疾病分类至关重要的大脑区域的可解释的见解.
主要方法:
- 提出的方法将大脑划分为138个有趣的解剖区域 (ROI).
- 三维视觉变压器 (3D-ViTs) 应用于每个ROI进行特征提取.
- 深度信念网络 (DBN) 被用作一个整体模型来提高分类性能.
- 该方法在阿尔茨海默病神经成像计划 (ADNI) 数据集上进行了评估.
主要成果:
- 开发的系统在分类阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和认知正常 (CN) 个体方面表现出卓越的表现.
- 该模型在四个二进制和一个三类分类任务中实现了高精度.
- 该系统提供了可解释的结果,突出显示了为每个分类做出贡献的重要大脑区域.
结论:
- 基于ROI的创新深度学习方法对早期和准确的AD和MCI诊断有很大的前景.
- 这些发现支持在神经成像中使用先进的人工智能技术,以了解和诊断神经退行性疾病.
- 这项研究为未来的研究提供了基础,旨在改进对大脑形态异常的诊断工具.
